Einen Entscheidungsbaum fitten

Jetzt versuchst du, ein Entscheidungsbaum-Modell zu bauen. Ein Entscheidungsbaum ist eine Liste von per Machine Learning gelernten If-Else-Regeln, die im Fall des Telecom-Churns entscheiden, ob Kundinnen und Kunden abspringen oder nicht. Hier ist ein Beispiel-Graph eines Entscheidungsbaums, der auf dem bekannten Titanic-Überlebensdatensatz basiert.

train_X, test_X, train_Y, test_Y aus der vorherigen Übung wurden für dich geladen. Außerdem wurden das Modul tree und die Funktion accuracy_score aus der sklearn-Bibliothek importiert. Du baust jetzt dein Modell und prüfst seine Leistung auf ungesehenen Daten.

Diese Übung ist Teil des Kurses

<Kurs>Machine Learning für Marketing mit Python</Kurs>

Kurs ansehen

Übungsanweisungen

Initialisiere das Entscheidungsbaum-Modell mit max_depth auf 5.
Fitte das Modell auf die Trainingsdaten, zuerst train_X, dann train_Y.
Sage Werte für die Testdaten voraus, in diesem Fall test_X.
Miss die Leistung deines Modells auf den Testdaten, indem du die tatsächlichen Testlabels mit den vorhergesagten vergleichst.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Initialize the model with max_depth set at 5
mytree = tree.___(max_depth = ___)

# Fit the model on the training data
treemodel = mytree.___(___, ___)

# Predict values on the testing data
pred_Y = treemodel.___(___)

# Measure model performance on testing data
accuracy_score(___, ___)

Code bearbeiten und ausführen